コンテンツへスキップ

人間のフィードバックによる強化学習（RLHF）

人間の評価から学んだ報酬モデルを用いて、モデルを人間の好みに合わせる学習技法。

関連リソース

LLM ファインチューニング実践
大規模言語モデルのファインチューニング方法を学習。LoRA や QLoRA などの効率的な手法を含む。